Thank you for sending your enquiry! One of our team members will contact you shortly.
Thank you for sending your booking! One of our team members will contact you shortly.
Struttura del corso
Machine Learning Introduzione
- Tipi di apprendimento automatico – supervisionato vs non supervisionato
- Dall'apprendimento statistico all'apprendimento automatico
- Il workflow della data mining: comprensione aziendale, preparazione dei dati, modellazione, implementazione
- Scegliere l'algoritmo giusto per il compito
- Overfitting e il compromesso tra bias e varianza
Python e Panoramica delle librerie ML
- Perché usare linguaggi di programmazione per l'ML
- Scegliere tra R e Python
- Breve introduzione a Python e Jupyter Notebooks
- Librerie Python: pandas, NumPy, scikit-learn, matplotlib, seaborn
Test e Valutazione degli Algoritmi di ML
- Generalizzazione, overfitting e validazione del modello
- Strategie di valutazione: holdout, cross-validation, bootstrapping
- Metriche per la regressione: ME, MSE, RMSE, MAPE
- Metriche per la classificazione: accuratezza, matrice di confusione, classi sbilanciate
- Visualizzazione delle prestazioni del modello: curva profitto, ROC curve, lift curve
- Scegliere il modello e la ricerca a griglia per l'ottimizzazione
Preparazione dei Dati
- Importazione e archiviazione dei dati in Python
- Analisi esplorativa e statistiche descrittive
- Gestione dei valori mancanti e degli outlier
- Standardizzazione, normalizzazione e trasformazioni
- Ricodifica dei dati qualitativi e wrangling con pandas
Algoritmi di Classificazione
- Classificazione binaria vs multiclasse
- Regressione logistica e funzioni discriminanti
- Naïve Bayes, k-nearest neighbors
- Alberi decisionali: CART, Random Forests, Bagging, Boosting, XGBoost
- Machines a Vettori di Supporto (SVM) e kernel
- Tecniche di apprendimento ensemblistico
Regressione e Predizione Numerica
- Minimi quadrati e selezione delle variabili
- Metodi di regolarizzazione: L1, L2
- Regressione polinomiale e modelli non lineari
- Alberi di regressione e spline
Unsupervised Learning
- Tecniche di clustering: k-means, k-medoids, clustering gerarchico, SOMs
- Riduzione della dimensionalità: PCA, analisi fattoriale, SVD
- Scaling multidimensionale
Mining del Testo
- Preliminari di testo e tokenizzazione
- Bag-of-words, stemming e lemmatization
- Analisi delle opinioni e frequenza delle parole
- Visualizzazione dei dati di testo con nuvole di parole
Sistemi di Recommondazione
- Filtraggio collaborativo basato sull'utente vs su oggetti
- Progettazione e valutazione delle engine di raccomandazioni
Mining dei Pattern Associativi
- Insiemi frequenti e algoritmo Apriori
- Analisi del carrello del cliente e rapporto lift
Detezione degli Outlier
- Analisi dei valori estremi
- Metodi basati sulla distanza e sulla densità
- Detezione degli outlier nei dati ad alta dimensionalità
Machine Learning Studio di Caso
- Comprensione del problema aziendale
- Preliminari dei dati e ingegneria delle caratteristiche
- Scegliere il modello e l'ottimizzazione dei parametri
- Valutazione e presentazione dei risultati
- Implementazione
Riepilogo e Prossimi Passaggi
Requisiti
- Comprensione di base delle statistiche e dell'algebra lineare
- Familiarità con i concetti di analisi dei dati o intelligenza d'affari
- Verrà ritenuta utile una certa esposizione alla programmazione (preferibilmente Python o R)
- Interesse nell'apprendimento del machine learning applicato per progetti basati sui dati
Pubblico
- Analisti e scienziati dei dati
- Statistici e professionisti della ricerca
- Sviluppatori e professionisti IT che esplorano gli strumenti di machine learning
- Tutti coloro che sono coinvolti in progetti di scienza dei dati o analisi predittiva
21 ore
Recensioni (3)
Even with having to miss a day due to customer meetings, I feel I have a much clearer understanding of the processes and techniques used in Machine Learning and when I would use one approach over another. Our challenge now is to practice what we have learned and start to apply it to our problem domain
Richard Blewett - Rock Solid Knowledge Ltd
Corso - Machine Learning – Data science
I like that training was focused on examples and coding. I thought that it is impossible to pack so much content into three days of training, but I was wrong. Training covered many topics and everything was done in a very detailed manner (especially tuning of model's parameters - I didn't expected that there will be a time for this and I was gratly surprised).
Bartosz Rosiek - GE Medical Systems Polska Sp. Zoo
Corso - Machine Learning – Data science
It is showing many methods with pre prepared scripts- very nicely prepared materials & easy to traceback
